python时间日期函数与利用pandas进行时间序列处理详解

@本文来源于公众号：csdn2299，喜欢可以关注公众号 程序员学府
python标准库包含于日期（date）和时间（time）数据的数据类型，datetime、time以及calendar模块会被经常用到。

datetime以毫秒形式存储日期和时间，datetime.timedelta表示两个datetime对象之间的时间差。

下面我们先简单的了解下python日期和时间数据类型及工具

给datetime对象加上或减去一个或多个timedelta，会产生一个新的对象

rom datetime import datetime
from datetime import timedelta
 
now = datetime.now()
now
 
datetime.datetime(2017, 6, 27, 15, 56, 56, 167000)
 
datetime参数：datetime(year, month, day[, hour[, minute[, second[, microsecond[,tzinfo]]]]])
 
delta = now - datetime(2017,6,27,10,10,10,10)
delta
 
datetime.timedelta(0, 20806, 166990)
 
delta.days
 
 0
 
delta.seconds
 
 20806
 
delta.microseconds
 
 166990

datetime模块中的数据类型

字符串和datetime的相互转换

1）python标准库函数

日期转换成字符串：利用str 或strftime

字符串转换成日期：

datetime.strptime
stamp = datetime(2017,6,27)
 
str(stamp)
 
 '2017-06-27 00:00:00'
 
stamp.strftime('%y-%m-%d')#%Y是4位年，%y是2位年
 
 '17-06-27'
 
#对多个时间进行解析成字符串
 
date = ['2017-6-26','2017-6-27']
 
datetime2 = [datetime.strptime(x,'%Y-%m-%d') for x in date]
 
datetime2
 
 [datetime.datetime(2017, 6, 26, 0, 0), datetime.datetime(2017, 6, 27, 0, 0)]

2）第三方库dateutil.parser的时间解析函数

from dateutil.parser import parse
 
parse('2017-6-27')
 
 datetime.datetime(2017, 6, 27, 0, 0)
 
parse('27/6/2017',dayfirst =True)
 
 datetime.datetime(2017, 6, 27, 0, 0)

3）pandas处理成组日期

pandas通常用于处理成组日期，不管这些日期是DataFrame的轴索引还是列，to_datetime方法可以解析多种不同的日期表示形式。

date
 
 ['2017-6-26', '2017-6-27']
 
import pandas as pd
 
pd.to_datetime(date)
 
 
 
 DatetimeIndex(['2017-06-26', '2017-06-27'], dtype='datetime64[ns]', freq=None)

datetime 格式定义

pandas时间序列基础以及时间、日期处理

pandas最基本的时间序列类型就是以时间戳（时间点）（通常以python字符串或datetime对象表示）为索引的Series：

dates = ['2017-06-20','2017-06-21',\
   '2017-06-22','2017-06-23','2017-06-24','2017-06-25','2017-06-26','2017-06-27']
 
 
import numpy as np
ts = pd.Series(np.random.randn(8),index = pd.to_datetime(dates))
 
 
ts
 
 2017-06-20 0.788811
 2017-06-21 0.372555
 2017-06-22 0.009967
 2017-06-23 -1.024626
 2017-06-24 0.981214
 2017-06-25 0.314127
 2017-06-26 -0.127258
 2017-06-27 1.919773
 dtype: float64
 
ts.index
 
 DatetimeIndex(['2017-06-20', '2017-06-21', '2017-06-22', '2017-06-23',
     '2017-06-24', '2017-06-25', '2017-06-26', '2017-06-27'],
     dtype='datetime64[ns]', freq=None)

pandas不同索引的时间序列之间的算术运算会自动按日期对齐

ts[::2]#从前往后每隔两个取数据
 
 2017-06-20 0.788811
 2017-06-22 0.009967
 2017-06-24 0.981214
 2017-06-26 -0.127258
 dtype: float64
 
ts[::-2]#从后往前逆序每隔两个取数据
 
 2017-06-27 1.919773
 2017-06-25 0.314127
 2017-06-23 -1.024626
 2017-06-21 0.372555
 dtype: float64
 
ts + ts[::2]#自动数据对齐
 
 2017-06-20 1.577621
 2017-06-21   NaN
 2017-06-22 0.019935
 2017-06-23   NaN
 2017-06-24 1.962429
 2017-06-25   NaN
 2017-06-26 -0.254516
 2017-06-27   NaN
 dtype: float64

索引为日期的Series和DataFrame数据的索引、选取以及子集构造

方法：
1）.index[number_int]

2)[一个可以被解析为日期的字符串]

3）对于，较长的时间序列，只需传入‘年’或‘年月’可返回对应的数据切片

4）通过时间范围进行切片索引

ts
 
 2017-06-20 0.788811
 2017-06-21 0.372555
 2017-06-22 0.009967
 2017-06-23 -1.024626
 2017-06-24 0.981214
 2017-06-25 0.314127
 2017-06-26 -0.127258
 2017-06-27 1.919773
 dtype: float64
 
ts[ts.index[2]]
 
 0.0099673896063391908
 
ts['2017-06-21']#传入可以被解析成日期的字符串
 
 0.37255538918121028
 
ts['21/06/2017']
 
 0.37255538918121028
 
ts['20170621']
 
 0.37255538918121028
 
ts['2017-06']#传入年或年月
 
 2017-06-20 0.788811
 2017-06-21 0.372555
 2017-06-22 0.009967
 2017-06-23 -1.024626
 2017-06-24 0.981214
 2017-06-25 0.314127
 2017-06-26 -0.127258
 2017-06-27 1.919773
 dtype: float64
 
ts['2017-06-20':'2017-06-23']#时间范围进行切片
 
 2017-06-20 0.788811
 2017-06-21 0.372555
 2017-06-22 0.009967
 2017-06-23 -1.024626
 dtype: float64

带有重复索引的时间序列

1）.index.is_unique检查索引日期是否是唯一的

2）对非唯一时间戳的数据进行聚合，通过groupby，并传入level = 0（索引的唯一一层）

dates = pd.DatetimeIndex(['2017/06/01','2017/06/02','2017/06/02','2017/06/02','2017/06/03'])
dates
 
 DatetimeIndex(['2017-06-01', '2017-06-02', '2017-06-02', '2017-06-02',
     '2017-06-03'],
     dtype='datetime64[ns]', freq=None)
 
dup_ts = pd.Series(np.arange(5),index = dates)
dup_ts
 
 2017-06-01 0
 2017-06-02 1
 2017-06-02 2
 2017-06-02 3
 2017-06-03 4
 dtype: int32
 
dup_ts.index.is_unique
 
 False
 
dup_ts['2017-06-02']
 
 2017-06-02 1
 2017-06-02 2
 2017-06-02 3
 dtype: int32
 
grouped = dup_ts.groupby(level=0).mean()
 
grouped
 
 2017-06-01 0
 2017-06-02 2
 2017-06-03 4
 dtype: int32
 
dup_df = pd.DataFrame(np.arange(10).reshape((5,2)),index = dates )
dup_df

grouped_df = dup_df.groupby(level=0).mean()##针对DataFrame
 
grouped_df

本文总结了以下4个知识点

1）字符串、日期的转换方法

2）日期和时间的主要python，datetime、timedelta、pandas.to_datetime等

3）以时间为索引的Series和DataFrame的索引、切片

4）带有重复时间索引时的索引，.groupby(level=0)应用
非常感谢你的阅读
大学的时候选择了自学python，工作了发现吃了计算机基础不好的亏，学历不行这是

没办法的事，只能后天弥补，于是在编码之外开启了自己的逆袭之路，不断的学习python核心知识，深

入的研习计算机基础知识，整理好了，我放在我们的微信公众号《程序员学府》，如果你也不甘平庸，之外的东西，比如，如何做一个精致的程序员，而不是“屌丝”，程序员本身就是高贵的一种存在啊，难道不是吗？[点击加入]想做你自己想成为高尚人，加油！